多尺度融合增强的纵膈淋巴结超声弹性图像分割

作     者：周奇 杨行 田传耕 唐璐 惠雨 Zhou Qi;Yang Hang;Tian Chuangeng;Tang Lu;Hui Yu

作者机构：徐州医科大学医学影像学院徐州221004 中国矿业大学信息与控制工程学院徐州221116 徐州工程学院信息工程学院(大数据学院)徐州221018 

基　　金：国家自然科学基金项目(82001912) 徐州科技计划项目(KC21179) 

出 版 物：《中国图象图形学报》 (Journal of Image and Graphics)

年 卷 期：2024年第29卷第3期

页      码：670-685页

摘      要：目的支气管超声弹性成像具有丰富的通道语义信息,精准的分割纵膈淋巴结对诊断肺癌是否转移具有重要意义,也对癌症的分期和治疗有着重要作用。目前,超声弹性图像分割研究较少,没有充分挖掘图像通道特征之间的关系。因此,提出一种结合注意力机制的多尺度融合增强的纵膈淋巴结超声弹性图像分割U-Net(attention-based multi-scale fusion enhanced ultrasound elastic images segmentation network for mediastinal lymph node,AMFE-UNet)。方法首先,考虑到图像可以提供纵膈淋巴结的位置和通道信息,设计密集卷积网络(dense convolutional network,DenseNet)作为模型编码器;其次,结合注意力机制和空洞卷积设计多尺度融合增强解码器,从多尺度和范围对结节的边界和纹理进行建模;最后,用选择性内核网络设计跳跃连接,将编码器的中间特征与解码器的输出特征充分融合。根据解码器特征进行数值或通道融合的方式不同,将AMFE-UNet分为A和B两个子型。结果在超声弹性图像数据集上进行对比实验与验证。结果表明AMFE-UNet平均Dice系数达到86.593%,较U-Net提升了1.986%;相较于对比模型,AMFE-UNet A在Dice、精确度和特异度指标上均达到了最优;AMFE-UNet B在交并比、灵敏度和豪斯多夫距离指标上也达到最优。消融实验和可视化分析表明提出的改进方法具有明显的提升效果。结论本文通过密集卷积网络设计分割模型编码器,并利用通道注意力机制优化模型特征恢复和连接过程,在超声弹性图像中获得了良好的纵膈淋巴结分割效果,具有较高的临床应用价值。代码链接:https://***/Philo-github/AMFE-UNet。

主 题 词：超声弹性成像(UE) 纵膈淋巴结 实例分割 U-Net 通道注意力机制 

学科分类：1305[艺术学-设计学类] 13[艺术学] 081104[081104] 08[工学] 0804[工学-材料学] 081101[081101] 0811[工学-水利类] 

核心收录：

D　O　I：10.11834/jig.230324

馆 藏 号：203126934...